第1章蓄势待发的数字孪生
1.1智能制造时代的数字孪生
智能制造作为一个发展演变中的话题，其定义、应用范围、研究热点和趋势，已经是工业信息化研究领域的一个常态话题，近年来针对智能制造概念的研究和实践不断涌现。智能制造涉及智能产品、智能生产及智能服务等
多个方面及其优化集成，从技术机理角度来看，这些方面尽管存在差异，但本质上是一致的，即“人—信息—物理系统”的融合（Zhou et al.，2018）。
制造业工厂的全生命周期，包括工厂的规划、设计、建设、控制、升级和再造阶段，如图1.1所示。工厂全生命周期跨度因行业性质和企业体量而异，一般可达三五十年，在整个过程中实体的工厂一直在不断丰富、改进和演
变。在每一个阶段，企业都面临不同的管理问题和技术挑战，工厂中的人员、设备、物流、流程、环境和数据，在全生命周期的不同阶段以不同的方式相互衔接和互动，因此需要采用不同的系统和模型实现信息化技术与管理过
程的结合。其中和智能制造相关性*强的是规划、生产控制和流程再造三个阶段，因此，本书将围绕这三个阶段展开研究。
通过回顾智能制造的定义和已有研究发现，CPS是在新的工业现代化背景下，实现智能制造的核心组成要素，而当前实现CPS的具体应用技术和实证研究都较少见。Tao和Qu的研究指出，随着信息世界和物理世界之间深度融合
的技术条件日趋成熟，数字孪生作为突破性的应用技术框架，将会成为实现CPS乃至智能制造的基础，其内在机理和应用模式值得被深入、全面地研究（Tao and Zhang，2017；Qu et al.，2015；Tao et al.，2019a）。
数字孪生也被翻译为数字双生、数字双胞胎、数字镜像或者数字化映射，是在新一代信息技术和制造技术驱动下，整合多属性、多维度和多应用可能性的仿真技术（Githens，2007；Glaessgen and Stargel，2012；
Grieves and Vickers，2017；陶飞等，2018，2019）。数字孪生利用数字技术对物理实体对象的特征、行为、形成过程和性能等进行描述与建模，同时又采用先进的传感器、IIoT和历史大数据分析等技术，具有超逼真、多系
统融合和高精度的特点，可实现监控、预测和数据挖掘等功能（Glaessgen and Stargel，2012；Shafto et al.，2010）。著名的IT行业咨询研究公司Gartner在2017～2019年连续三年把数字孪生列为未来十大战略技术趋势
之一，并认为数字孪生包括元数据、处境、事件数据和分析方法，是事物或系统的多元软件模型，依靠传感器及其他数据来理解它的处境，回应变化，提高运营，增加价值。
Grieves（2015）、Rosen等（2015）、Vachálek等（2017）的理论和实践研究提出，数字孪生既包括数字化的虚拟镜像，也包括物理的实体对象，以及虚拟和实体之间双向真实映射与实时交互的信息连接和驱动关系。
Boschert和Rosen（2016）指出数字孪生体的存在跨越实体设备或工厂的全生命周期，而且其复杂度是伴随着实体对象的成长和运行过程而不断增长的。数字孪生是CPS概念的具体化应用技术，它继承了数字工厂中对客观物理对
象数字化、可视化、模型化和逻辑化的理念，同时又赋予CPS概念中的计算进程和物理进程一体化融合的能力，通过环境感知+物理设备联网，将资源、信息、物体及人紧密联系在一起（庄存波等，2017；于勇等，2017；陶飞等
，2017a）。数字孪生为制造业实现CPS概念提供了一种具体的应用技术框架，为“工业4.0”“中国制造2025”等以CPS为核心的制造业战略实施带来突破性发展，因此，数字孪生是对智能制造的实现有着指向性意义的前沿技术
（陶飞等，2017a；Lee et al.，2013；Uhlemann et al.，2017a；Tao et al.，2019b；Esposito et al.，2016；卢阳光等，2019a）。
目前的研究成果聚焦在数字孪生的概念和价值方面，以及面向产品全生命周期的数字孪生构建方面，但是针对工厂全生命周期的数字孪生研究还比较缺乏，尤其是规划、生产控制和流程再造阶段，缺乏具体的数字孪生落地
方法和实例研究。通过对已有文献回顾发现，鲜有学者提出制造业工厂生命周期各阶段具体的数字孪生应用模型和应用方法，并进行实践验证。数字孪生在工厂的规划、生产控制和流程再造阶段的具体应用方法和应用模式，有
待深入挖掘。同时，对数字孪生的研究还较少考虑在不同工业情境下的实际应用问题，如在离散制造、流程制造、中小型制造业、再制造工业等不同情境下的可用性问题，以及在面向这些对象的研究中需要考虑的物理实体、虚
拟模型和管理人员三者之间的关系问题，都涉及设计智能化、操作智能化、控制智能化和管理智能化的实现。2018 年陶飞等发表的多篇理论研究指出，以下领域是未来数字孪生的热点研究方向：模型和实体数据源之间的衔接、
虚拟仿真建模和模型有效性验证，以及基于数字孪生的运营优化技术（Tao et al.，2018a，2018b）。
本书为了填补面向工厂全生命周期的数字孪生研究空白，提出“面向智能制造的数字孪生构建方法与应用”这一课题，主要内容包括：生产制造情境下的数字孪生方法框架；规划阶段的数字孪生构建方法及应用；生产控制
阶段的数字孪生构建方法及应用；流程再造阶段的数字孪生构建方法及应用。以上课题同时提供了在不同的工业情境下的实践案例。
在全球制造业发展中，产业分工越来越细，产品模块化程度不断提升，生产过程可分性日益增强，信息技术、产业技术和物流技术进步带来协同效率显著提高，交易成本明显下降。市场对企业的生产效率同时提出了更高的
要求，市场分工细化也增加市场本身的系统复杂程度，为企业参与市场竞争提出新的挑战（Esposito et al.，2016）。传统的信息化提升企业的生产效率，但是缺乏对生产系统的深度嵌入，尤其是传统的信息化思路没有实现
生产系统的智能化改造（Esposito et al.，2018；Ferreira et al.，2017）。过去的研究表明，如果企业能够通过智能制造快速有效地响应市场变化，及时调整产能和生产模式，按照市场需求的比例和组合提供各种高质量
的产品，以保持较低的制造成本来满足客户的期望和需求，那么企业有望走向成功（Santos et al.，2017）。
周济（2015）定义智能制造的三个基本范式为数字化制造、数字化网络化制造和数字化网络化智能化制造。当前实现CPS的具体应用技术和实证研究比较少见，随着信息世界和真实的物理世界之间深度融合的前提技术条件日
趋成熟，数字孪生作为突破性的应用技术框架，将会成为实现CPS乃至智能制造的基础，其理论方法、模型、算法和在具体情境下的应用技术，都值得展开深入和全面的研究。
现代制造业面临着快速变化的市场环境，因此，制造业工厂在其全生命周期面临着以下三个问题的挑战：其一，在规划阶段，为满足新生产线建设规划的需求，或者临时性改造项目，需要研究快捷有效的仿真手段，从而以
比较低的仿真代价来对新市场环境下的规划工作进行高效率的分析。其二，在生产控制阶段，工业生产的经济效率在很大程度上受到产品的输出数量、质量和市场价格的影响，市场需求和生产价格的波动会对*终产品组合的可
控性提出更高要求。*终产品的多样性和生产控制变量的复杂性，又对工业生产过程中的安全性、稳定性、连续性和实时控制能力提出很高的要求。研究如何利用先进的生产控制方法来提升生产过程控制能力，具有非常重要的
意义（Min et al.，2019）。其三，在流程再造阶段，传统制造业在面临着全球化和新兴技术带来的机遇和挑战的时候，迫切需求快捷有效的方法和工具，尤其是改善传统精益方法在企业升级改造过程中输出结论“不够精确”
的问题，来优化提升企业竞争力，以有效应对新一轮产业革命带来的更加激烈的竞争环境（Lu et al.，2019）。
数字孪生已被证明是一种可行的方法，用来集成制造业的物理世界和信息世界，并有效地支撑企业实现智能制造战略目标。在生产制造领域，数字孪生的研究既应该面向产品本身及其生产制造过程，也应该面向制造型企业
本身及其全生命周期。在制造业领域，从企业实体层面去分析和研究，探索数字孪生在制造型企业的全生命周期各阶段的构建方法和应用研究，包括规划、生产控制和流程再造阶段的数字孪生模型框架和数字孪生构建方法，以
及应用技术和实例分析，都是值得展开的研究领域。
本书研究面向智能制造的数字孪生构建方法与应用问题，将致力于实现以下创新目标：提出智能制造的数字孪生方法框架，并构建数字孪生实践环，在此基础上分别面向规划、生产控制和流程再造阶段，构建出全新的数字
孪生理论与方法，并对理论与方法的有效性进行实践研究。
1.2 科学图谱视角下的智能制造研究回顾
1. 科学图谱视角下的智能制造文献计量分析
CiteSpace是在科学计量学、数据可视化基础上设计的一款展示科学知识结构、规律和分布的科学图谱软件，在国际、国内各学科领域的发展趋势和前沿研究中被广泛应用（Chen et al.，2010）。文献聚类分析的目的是基
于信息论的方法，解析出学科研究的分类领域并将其标识出来，常见的算法有LSI（latent semantic index，潜在语义索引）、LLR（log-likelihood ratio，对数似然比）、MI（mutual information，互信息）等
（Chaomei，2017），其中LLR算法采用简单有效的方式推断事件A和事件B之间的关系，在CiteSpace的聚类功能中*常用，其计算方法如式（1.1）所示。在CiteSpace软件中，对中国知网平台基于KNS（knowledge network
service，知识网络服务）技术检索到的，并经过筛选的1046篇“核心+硕博”文献样本集进行LLR算法聚类分析，并展示可视化结果（图1.2）。
2. 观点归纳
在核心期刊文献的范畴内，综合考虑文献主题与智能制造定义的相关性程度、被引用的次数和作者是否为院士等影响力因素，选择7篇文献按照年份排序并概括其权威观点，如表1.1所示。
历年来学者对智能制造的定义各有区别，目前为止相关研究有四点基本共识：①近年来中国制造业存在大而不强的问题，并面临着欧美发达国家“再工业化”前后夹击的严峻挑战，而智能制造作为国家战略是破解这个问题
的关键（周济，2015；傅建中，2014；路甬祥，2010；吕铁和韩娜，2015；朱剑英，2013；孙柏林，2013；左世全，2014）；②智能制造不只是面向制造过程的话题，而是涉及产品智能化、生产智能化、服务智能化和产业模式
创新变革的宏大的系统工程，并将导致组织模式、企业管理和人才需求的巨大变化（周济，2015；林文进等，2009；路甬祥，2010；张曙，2014；吕铁和韩娜，2015；朱剑英，2013）；③智能制造在CPS、IIoT、云计算和大数
据等应用技术的支撑下，将会有效实现个性化定制和大批量生产的融合，大幅提升服务水平，延展工业生产的价值链条，并推动产业形态从生产型制造向服务型制造转变（Zhou et al.，2018；周济，2015；林文进等，2009；
路甬祥，2010；张曙，2014；吕铁和韩娜，2015）；④节能减排、绿色环保是智能制造的重点关注领域（周济，2015；路甬祥，2010；孙柏林，2013；傅志寰等，2015）。
现有研究存在以下争议点：①智能制造的产业聚焦点应在何处。有学者认为智能制造将实现制造业向高端产业和高端环节转移，因此需要大力培养和发展新兴产业，加大传统产业升级转型的力度（于晓宇，2013）。路甬祥
（2010）认为通过智能制造实现制造业能源节约型转变是当务之急。朱剑英（2013）认为，中小企业、传统产业的智能化
展开
